Estimation of High-Frequency Volatility: An Autoregressive Conditional Duration Approach
高频波动率估计：自回归条件持续期方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：题名直接指向高频波动率估计，摘要使用交易持续期和日内条件收益方差，并比较已实现波动率方法，对应高频计量与波动率。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高频波动率估计：自回归条件持续期方法
- 研究问题
- 如何利用交易持续期模型估计股票日内波动率，并评估其相对于多种已实现波动率估计方法在模拟中的误差表现？
- 方法与思路
- 作者由 ACD 模型获得单位时间的瞬时条件收益方差，再对其积分形成日内波动率估计，将该方法称为 ACD-ICV，并与多种 RV 方法比较。
- 材料陈述的贡献
- 摘要称，ACD-ICV 在几乎所有考察的蒙特卡洛情形中，均方根误差低于所比较的已实现波动率方法，但未列出具体数值。
- 阅读关注点
- 应核对持续期与条件方差的连接、积分估计的构造，以及模拟是否考虑微观结构噪声、模型失配和各比较方法的调参。
- 阅读边界
- 摘要未说明模拟参数、误差改善幅度或真实数据表现；模拟中多数情形占优，不能据此断言该方法在所有市场和采样设定中更好。
原文摘要
We propose a method to estimate the intraday volatility of a stock by integrating the instantaneous conditional return variance per unit time obtained from the autoregressive conditional duration (ACD) model, called the ACD-ICV method. We compare the daily volatility estimated using the ACD-ICV method against several versions of the realized volatility (RV) method, including the bipower variation RV with subsampling, the realized kernel estimate, and the duration-based RV. Our Monte Carlo results show that the ACD-ICV method has lower root mean-squared error than the RV methods in almost all cases considered. This article has online supplementary material.